复共线性岭估计

本文探讨了复共线性问题及其在最小二乘估计中的影响,指出当设计矩阵X存在多重共线性时,最小二乘估计的性能下降。为解决这一问题,介绍了岭估计的概念,它是通过在最小二乘估计中添加调整项来降低方差,以提高估计的稳定性。定理表明存在适当的k值,使得岭估计在均方误差意义上优于最小二乘估计。
摘要由CSDN通过智能技术生成

复共线性

首先引入均方误差 M S E MSE MSE进行评价一个估计的优良的标准 M S E ( θ ~ ) = t r C o v ( θ ~ ) + ∥ E θ ~ − θ ∥ 2 MSE(\tilde{\theta })=trCov(\tilde{\theta })+\left \| E\tilde{\theta }-\theta \right \|^2 MSE(θ~)=trCov(θ~)+Eθ~θ2即均方误差等于分量方差之和再加上一有偏估计。
下面讨论最小二乘估计,考虑线性模型 y = α 1 n + X β + e , E e = o , C o v ( e ) = σ 2 I y =\alpha 1_n+X\beta+e,\quad Ee=o,\quad Cov(e)=\sigma ^2I y=α1n+Xβ+e,Ee=o,Cov(e)=σ2I这里设计矩阵 X n × p X_{n\times p} Xn×p,已经中心化和标准化,并秩为 p p p,于是 α \alpha

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值